金属棒材四点弯曲压力矫直行程预测模型研究

为改善工件矫直过程中的应力应变分布,提高精密矫直的精度,建立了金属棒材四点弯曲压力矫直行程预测模型。首先,基于三点弯曲压力矫直理论对矫直过程中金属棒材的弹塑性变形进行分析,推导四点弯曲压力矫直的弹塑性变形规律;其次,采用有限元模型进行四点弯曲压力矫直仿真分析;最后,采用自主研发的数控压力矫直机进行实验,将获得的实验结果与理论和仿真分析结果进行对比。结果表明:采用双压头双支撑结构的四点弯曲压力矫直方案在精度和工件变形上均优于三点弯曲压力矫直方案,可广泛应用于直线金属棒材精密矫直工艺。

基于改进PSO-LSSVM的轴类校直机校直行程预测

传统的轴类校直通过人工操作设备和借助辅助设备的测量进行校直行程的计算。这种计算方法耗费人力,效率低下,同时也无法满足设备智能化的要求。为此,提出一种改进型的PSO-LSSVM(基于粒子群优化的最小二乘支持向量机)算法模型应用到校直行程的预测过程中。首先通过分析提取影响校直行程的相关因素,然后将这些影响因素与成功校直数据作为算法模型的输入样本进行训练,得到一个能可靠预测校直行程的PSO-LSSVM模型。通过对测试样本的数据分析,预测值与期望值的相对误差可以达到3. 14%。结果表明:此模型可以满足校直设备的校直行程计算,进而提高校直效率与校直自动化。

改进模糊神经网络的校直行程预测

针对目前轴类校直机校直行程预测精度低、耗时长的问题,提出一种改进模糊神经网络结构。将模糊系统与神经网络相结合,在网络结构中设计承接层,能对校直行程历史数据进行反馈,增强网络数据处理能力;将影响校直行程的相关因素作为参考指标,把实时校直成功数据作为模型输入,校直行程作为模型输出。与传统预测方法进行比较,实验结果表明:改进模糊神经网络的实际值与预测值相对误差为1.65%,提高了校直行程预测精度和校直效率。

基于改进时空图卷积网络的道路行程时间预测模型

为提高道路网行程时间预测精度,综合考虑行程时间的空间依赖性、时间依赖性和天气因素影响,提出了基于属性增强和注意力机制的时空图卷积网络模型.首先,构建属性增强单元,将行程时间和天气信息融合;然后,利用图卷积网络捕获空间依赖性,利用门控递归单元捕获时间依赖性,并利用注意力机制增强模型对特征的学习;最后,利用该模型在真实数据集上对未来15、30、45和60 min的行程时间进行预测.结果表明:预测结果的均方根误差(RMSE)分别为0.0453、0.0456、0.0457和0.0468,与其他模型相比表现更优;考虑了时间、空间和天气因素后,相较于不考虑天气的情况,预测误差降低了约10.3%;相较于不考虑空间依赖性的情况,降低了约24.2%,表明所提模型能更好表达时空依赖性和外部条件影响.

基于ISSA-XGBoost模型的多特征融合露天矿卡车行程时间预测

针对露天矿运输系统卡车行程时间预测问题,提出了一种基于特征选择及改进麻雀算法优化XGBoost的露天矿卡车行程时间预测模型。模型充分考虑了卡车特征、道路特征、气象特征以及时间特征对卡车行程时间的影响,并使用皮尔逊系数法深入分析影响因素的贡献度。针对麻雀算法中全局搜索能力薄弱的问题引入反向学习和螺旋搜索策略,以提高算法的收敛性能。最后,使用改进的麻雀算法对XGBoost的关键参数进行寻优,进而构建露天矿卡车行程时间预测模型。选取国内某大型露天矿卡车调度系统采集的数据进行仿真模拟,并将所提出模型与SVM、BP、RBF和RF等其他机器学习模型进行对比。结果表明:所提出模型的预测误差均低于其他模型,相关系数可达0.9819。开发的模型和分析结果可以极大地帮助决策者规划、运营和管理更高效的露天矿运输系统。

基于监督学习行程预测方法的智能售检票系统研究

为优化轨道交通乘客的出行体验并提高运营管理水平,提出一种基于监督学习行程预测方法的智能售检票系统。一方面,对轨道交通领域的智能售检票系统相关研究进行梳理;另一方面,提出一种融合互联网技术、集成生物识别技术的新型检票系统,并指出该系统的优势与具体的建设思路,以期为轨道交通的智能化发展提供新思路。

考虑交通事件影响的高速公路短时行程时间预测

本研究目的是基于历史行程数据并考虑交通事件,构建可提高高速公路短时行程时间预测精度的方法。基于深层机器学习理论,设计加权均方根相似(Weighted-RMSS)模型,利用经纬度将行程分段,考虑高速公路车辆时空流动性的时间传递,计算当前行程时间和历史案例行程时间的相似性,提高了行程时间预测精确度。在此基础上,结合交通事件数据建立交通事件影响矩阵,建立LGBM模型(Light Gradient Boosting Machine)用于短时行程时间预测,并利用广州高速公路平沙至机场南路段实测数据进行验证。研究结果表明,开发2个模型效果均优于传统KNN模型,且考虑了交通事件影响的LGBM模型的预测精度高于Weighted-RMSS模型,达到95.68%,比较不同未来预测时间得出预测5 min效果最佳,精度可达96.18%。本研究在短时行程时间预测上有显著的优越性,有助于为驾驶人提供准确的出行时间,有利于高速公路的交通管理。

考虑应力叠加的矫直行程预测模型研究

为提高精密矫直加工精度及效率,探讨多次矫直过程中应力叠加特性,研究多次矫直行程预测迭代建模方法.首先,基于经典弹塑性变形理论,建立单次矫直行程预测理论模型;运用应力叠加原理,研究二次矫直的截面应力分布状态,推导出二次矫直时截面应力的再分布方程及矫直参数解析表达式;在此基础上,研究多次矫直过程中的矫直次数-应力演变规律,建立考虑应力叠加的多次矫直行程预测迭代模型.采用自主研发的精密矫直机进行在线矫直实验,进行行程预测模型实验对比.实验结果表明:实际矫直过程中,多次矫直行程预测迭代模型的预测精度和矫直效率优于未考虑应力叠加作用的单次矫直行程预测理论模型,该方法可推广应用于直线金属条材的精密矫直中.

一种基于行程时间预测算法的高速公路预警系统研究

为了提高高速公路通行效率,本文提出一种基于行程时间预测算法的预警方法与系统来诱导司乘用户行车路线的解决方案。该系统通过时空注意力网络预测高速公路路网中的点到点的速度,基于高速公路路网中的收费站和门架计算点到点的数据进行深度学习,并以路网中的情报板为载体向司乘用户发布来诱导司乘用户选择行车线路,该系统解决了司乘用户依靠行驶经验和导航在高速公路上行驶时不能及时应对高速公路上实时路况的问题,因此该系统能够有效的提高道路通行效率。

基于模糊综合评判的动态路径行程时间预测模型

针对城市交通路网的复杂性和不确定性,提出一种基于模糊综合评判的动态行程时间预测模型,将总行程时间分为行驶时间和交通延误时间两部分,分别介绍这两部分时间的预测模型,并利用该模型对一组模拟道路信息和路况信息进行实际预测,对预测结果进行比较和分析。研究表明该模型算法简捷实用,预测结果精度较高。

基于门控递归单元神经网络的高速公路行程时间预测

为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.

基于计算实验的城市道路行程时间预测与建模

城市道路行程时间预测对于提高交通管控效果具有重要意义.本文综合应用平行系统、集散波、误差反馈修正、多模型自适应控制及模型库动态优化策略等方法与技术对间断流行程时间预测问题进行了研究.首先,介绍了平行系统理论的基本原理及计算实验的基本方法;然后,给出了基于平行系统理论的路段行程时间的预测模型,设计了基于集散波的行程时间计算实验方法,提出了多模型自适应行程时间预测并给出了模型动态优化策略.最后,通过实验证明了本方法的有效性.结果表明,本文方法预测精度较高,且能够对行程时间预测值进行持续优化,可为后续的间断流行程时间预测研究提供借鉴.

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。

基于Fuzzy回归的快速路行程时间预测模型研究

行程时间预测是交通流诱导系统和交通控制系统研究的一项重要内容。在分析各种行程时间预测方法的基础上,本文提出了基于Fuzzy回归的快速路行程时间预测模型,利用深圳市的交通实测数据对行程时间进行了预测分析。

基于SVM的城市快速路行程时间预测研究

随着城市快速路交通信息采集系统的发展,特别是视频车牌采集系统的应用,使实时动态获得快速路行程时间成为可能,同时也促进了高精度行程时间预测的理论研究和实际应用需求.本文基于快速路车牌识别数据检测的海量历史时间序列数据,选择预测时段的前4个时段的数据作为输入特征值,以遗传算法建立模型参数优化算法,得到训练模型及其参数,从而实现车辆行程时间的动态预测.最后以上海市快速路系统中的三个典型路段的实测数据进行实例分析.结果表明:与传统的指数平滑法、多元回归法、ARIMA法预测结果对比,基于SVM的预测路段平均绝对百分误差在5%以内,希尔不等系数非常接近0,SVM模型显示了更高的预测精度.

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.

城市路网路段行程时间预测研究综述

交通诱导系统是已被证明的可提高道路通行能力的有效手段。交通诱导可归结为寻找赋权有向图最短路径问题,而所赋权值为路段行程时间,因此,路段行程时间是交通诱导系统重要的基础数据,准确预测路段行程时间对提高诱导系统,缓解城市交通拥堵具有重要的现实意义。对路段行程时间预测方法进行了综述性的分析和讨论,从行程时间预测所用特征和方法角度对现有方法进行介绍和分析,最后对未来可能的发展和研究问题提出了一些预测性意见。

基于宏观交通流模型的行程时间预测

以高速道路为研究对象,概述了宏观交通模型的基本方程,提出了一种基于宏观交通模拟的路径行程时间预测方法.预测方法以宏观模型输出的速度为基础计算路径行程时间,能够考虑交通拥堵以确保行程时间预测结果更合理.预测方法包含一般计算方法、由路段行程时间合成的方法(近邻组合法)这两种计算方法,后者用以加快计算速度,确保预测能够适用于较大规模路网.算例分析说明了预测方法的有效性.

基于BP神经网络的公交动态行程时间预测方法研究

公交行程时间的精确预测对于提升公交吸引力具有重要意义。本文基于公交车到离站的历史数据,综合考虑时间周期、站点、站间距离、天气等多个因素,建立了基于BP神经网络的公交车静态行程时间预测模型,以该模型为基础,采用动态迭代的方法,叠加多个站间行程时间预测结果,进一步构建了面向连续站点的公交车动态行程时间预测模型,实现对跨越多个站点的公交行程时间预测。以青岛市125路公交为例对算法进行测试。在模型的横向对比实验中,本模型预测结果的绝对误差均在50 s以内,平均绝对误差百分比(MAPE)为11.74%,均方根误差(RMSE)为23.15,R2的确定系数为0.905 1,SVM的MAPE、RMSE、R2 误差指标分别为:12.38%、38.33、0.743 6,LR对应的误差指标分别为:12.50%、25.59、0.884 1;在静态模型与动态模型的对比实验中,动态模型预测结果的MAPE为11.75%,RMSE为23.15,静态模型对应误差指标分别为:11.63%、26.74。研究结果表明,基于BP神经网络的公交动态行程时间预测模型比传统的静态预测方法具有更高的预测精度。

基于马尔科夫链的公交站间行程时间预测算法

公交站间行程时间具有明显的时段分布特征,且公交车辆是典型的时空过程对象,其运行具有状态转移性。为了准确预测公交站间行程时间,在应用马尔科夫链预测公交站间行程时间基础上提出其改进算法。通过大量公交GPS数据构造不同时段下具体线路站间行程时间的马尔科夫状态转移矩阵,并对站间行程时间进行状态推导,采用移动误差补偿法对马尔科夫预测值进行动态修正,改进原有的马尔科夫预测算法。以广州市BRT线路B1的实际运行数据对算法进行了验证,结果表明,移动误差补偿改进算法优于基本马尔科夫算法及BP模型,同时该改进算法还具有实现过程较简单。